正则表达式 - 在匹配之间捕获文本

Question

在下面的文字中，我尝试匹配一个数字后跟＆＃34;）＆＃34;和数字后跟一段时间。我试图在比赛之间检索文字 示例：

  

＆＃34; 1）有一个dsfsdfsd和2）还有另一个和另一个   情况下＆＃34;

所以我想输出：[＆＃34;有一个dsfsdfsd和＆＃34;，＆＃34;还有另外一个＆＃34;，还有另一个案例＆＃34;]

我使用了这个正则表达式：（？：\ d）| \ d。） 在末尾添加。*匹配整个字符串，我只希望它匹配

之间的单词

也在这个字符串中：

  

＆＃34;我们将给出4.需要另外一个选项，6.99美元是一个   比特数＆＃34;

我想只匹配4.而不是6.99

任何指针都将受到赞赏。谢谢。 [R

Answer 1

根据您的任务判断，匹配分隔符并使用re.split可能更容易（正如评论中bobblebubble所指出的那样）。

我提出了一个仅仅

\d+[.)]\B\s*

请参阅it in action (demo)

匹配1位或更多位数，然后是.或)，然后确保后面没有单词字母（数字，字母或下划线），然后匹配零个或多个空格

Python demo：

import re
rx = r'\d+[.)]\B\s*'
test_str = "1) there is a dsfsdfsd and 2) there is another one and 3) yet another case\n\"we will give 4. there needs to be another option and 6.99 USD is a bit amount"
print([x for x in re.split(rx,test_str) if x])

Answer 2

<强> tldr

• 正则表达式是棘手的野兽，如果可能的话，你应该避免它们。
• 如果你无法避免它们，那么请确保你有很多可能发生的边缘情况的测试用例。
• 缓慢而系统地构建正则表达式，在每一步测试您的假设。
• 如果这段代码将介绍生产，那么请写一些单元测试，向需要维护它的穷人灵魂解释思考过程

长版

正则表达式很挑剔。您最好的方法可能是以不同的方式解决问题。

例如，您的语言可能具有库函数，该函数允许您使用正则表达式拆分字符串以定义数字之间的内容。这样你就可以编写一个更简单的正则表达式来匹配数字和括号/点。

如果你仍然决定使用正则表达式，那么你需要非常有条理地构建正则表达式。很容易错过边缘案例。

所以，让我们一块一块地打破这个......

1. 设置测试环境，以便快速试验正则表达式。
   • 这里有很多选项，具体取决于您的编程语言和操作系统。我有时使用的是：
     • 用于测试.Net正则表达式的Powershell窗口（注意：cli为您提供过去尝试的历史记录，因此如果您把事情搞得太糟糕，您可以回过头几步）。
     • 用于测试Python正则表达式的Python控制台（在命名捕获组的语法中与.Net正则表达略有不同）。
     • 一个用JavaScript来测试正则表达式的html页面
     • 一个在线或桌面正则表达式工具（我仍然使用Eric Gunnerson的古老正则表达式工作台，但我确定这些天有更好的选择）
   • 由于您没有指定语言或正则表达式版本，我将假设.Net正则表达式
2. 创建单个测试字符串以测试更多种选项。
   • 您的目标是包含尽可能多的边缘案例。以下是我要使用的内容："ab 1. there is a dsfsdfsd costing $6.99 and 2) there is another one and 3. yet another case 4)5) 6)10."
   • 请注意，我添加了一些您没有提及的额外案例：
     • 两个圆括号之间的空字符串：＆＃34; 4）＆＃34;和＆＃34; 5）＆＃34;
     • 两个圆括号之间的空白字符串：＆＃34; 5）＆＃34;和＆＃34; 6）＆＃34;
     • 圆括号和点号之间的空字符串：＆＃34; 6）＆＃34;和＆＃34; 10。＆＃34;
     • 虚线后的空字符串＆＃34; 10。＆＃34;在字符串的末尾
     • 在第一个数字
     之前应该忽略的随机文本和空格
   • 我将在这里做一些假设，您需要根据实际要求进行调整：
     • 您想要在点或圆括号后捕捉空白区域。
     • 您希望在下一个虚线数字或圆括号之前捕获空格。
     • 你的数字可能会超过9，所以我已经包含了＆＃34; 10＆＃34;在测试案例中。
     • 你想在最后捕获空字符串，例如在＆＃34; 10。＆＃34;
     之后
   • 注意：
     • 通过这个测试案例的思考迫使您对自己的要求更加严格。
     • 当您手动测试正则表达式时，它还可以帮助您提高效率。
     • 但是，假设您没有遵循TDD方法。如果你是，那么你应该做一些不同的事情......分别为每个场景创建单元测试，并逐步使用正则表达式。
     • 此测试字符串并不涵盖所有情况。例如，测试字符串中没有换行符或制表符。此外，它不能在最后的圆括号后面测试一个空字符串。
3. 首先得到正则表达式，只捕获圆括号和虚线括号。
   • 不要担心6.99美元的边缘情况。
   • 暂时从正则表达式中删除＆＃34;（？：＆＃34;非捕获组语法："\d)|\d."
   • 这甚至不会解析，因为你有一个未转义的圆括号。
   • 修订后的字符串是"\d\)|\d."，它解析，但也匹配＆＃34; 99＆＃34;你可能并不期待。那是因为你忘了逃避＆＃34;。＆＃34;
   • 修订后的字符串为"\d\)|\d\."。这不再匹配＆＃34; 99＆＃34;，但它现在匹配＆＃34; 0。＆＃34;最后而不是＆＃34; 10。＆＃34;。这是因为它假设数字只是单个数字。
   • 以下字符串似乎有效："\d+\)|\d+\."
   • 是时候处理那个讨厌的＆＃34; 6.99美元＆＃34;现在...
4. 修改正则表达式，使其不捕获浮点数。
   • 您需要使用负前瞻模式来防止数字位于小数点后面。
   • 结果："\d+\)|\d+\.(?!\d)"
   • 计算这会产生多少匹配。您将使用此号码检查以后的结果。
   • 提示：将正则表达式模式保存在某处。您希望能够在无法修复正则表达式模式的情况下重新使用它。
   • 如果您找到了字符串拆分功能，那么您现在应该使用它并避免后续的复杂性。 [我在最后添加了一个示例。]
   • 简单就是更好，但我会继续使用更长的解决方案，以便能够保持控制正则表达式的方法，开始变得非常复杂
5. 决定如何排除该模式
   • 您在问题中使用了非捕获组模式，即＆＃34;（？：＆＃34;
   • 这种方法可行。但它有点麻烦，因为你需要有一个捕获组，而不是你要寻找的。
   • 如果你的整个模式与你想要的相匹配会更好。
   • 所以将数字模式包装在模式后面的零宽度正面外观中（如果您的语言支持它），即＆＃34;（？＆lt; =＆＃34;。
   • 这会检查模式，但不会将其包含在捕获的内容中。
   • 所以现在你的正则表达式如下："(?<=\d+\)|\d+\.(?!\d))"
6. 测试一下！
   • 单独测试这个似乎很愚蠢 - 所有的匹配都是空字符串。
   • 无论如何要这样做。你想要理智地检查每一步。
   • 确保它仍然产生与步骤4相同的匹配数。
7. 决定如何匹配数字之间的文本。
   • 你正确地提到＆＃34;。*＆＃34;将匹配整个字符串，而不仅仅是两者之间的部分。
   • 这是一个巧妙的技巧，允许您重复使用步骤5中的模式来获取文本。
   • 首先匹配下一个字符
   • 诀窍是你要匹配任何角色，除非它是下一个数字的开头
   • 这听起来像是一个负向的前瞻模式："(?!"
   • 设X是您在步骤4中保存的模式。匹配单个字符将如下所示："(?!X)."
   • 你想匹配很多这些角色。因此，将该模式放入非捕获组并重复它："(?:(?!X).)*"
     • 这假设您要捕获空文本。
     • 如果您不是，请更改＆＃34; *＆＃34;到＆＃34; +＆＃34;。
   • • 提示：这是一种常见的模式，您希望在将来粘贴时使用不同的模式代替X
     • 我使用了非捕获组而不是普通组，因此您也可以将此模式嵌入到您关注捕获组的正则表中
   • 结果模式："(?:(?!\d+\)|\d+\.(?!\d)).)*"
     • 我建议单独测试这个模式以查看它的作用
8. 现在将第5和第7部分放在一起："(?<=\d+\)|\d+\.(?!\d))(?:(?!\d+\)|\d+\.(?!\d)).)*"
   • 测试它！
9. 单元测试！
   • 如果要投入生产，那么请编写大量的单元测试来解释这个思维过程的每一步
   • 对将来必须保持你的正则表达的可怜的灵魂表示同情！
   • 以人为本的权利
   • 我建议您在日历中添加一张便条，以便在6个月后返回此代码。时间，并确保你仍然可以单独从单元测试中理解它！
10. 重构
    • 在六个月内＆＃39;时间，如果你不能再理解代码，可以使用你新发现的洞察力（和激励）来解决问题而不使用正则表达式（或只是非常简单的表达式）

<强>附录

作为使用字符串拆分函数来逃避更简单的正则表达式的示例，这是Powershell中的解决方案：

$string = 'ab   1. there is a dsfsdfsd costing $6.99 and 2) there is another one and 3. yet another case 4)5)   6)10.'
$pattern = [regex] '\d+\)|\d+\.(?!\d)'
$string -split $pattern | select-object -skip 1

Answer 3

使用boolean equals(Object obj);修饰符尝试以下正则表达式：

g

示例：https://regex101.com/r/kB1xI0/3

([A-Za-z\s\-_]+|\d(?!(\)|\.)\D)|\.\d) 自动匹配所有字母字符+空格

[A-Za-z\s\-_]+匹配任何数字数字序列，后面没有右括号\d(?!(\)|\.)\D)或十进制值（)）

.99匹配任何句号后跟数字。

Answer 4

我使用了这种模式：

(?<=\d.\s)(.*?)(?=\d.\s)

demo

这将查找任何数字，任何字符和空格之间的内容。

修改：更新模式以更好地处理货币问题和行结束：

这是标志'g'

(?<=[0-9].\s)(.*?)(?=\s[0-9].\s|\n|\r)

Demo 2

Answer 5

import re


s = "1) there is a dsfsdfsd and 2) there is another one and 3) yet another case"
s1 = "we will give 4. there needs to be another option and 6.99 USD is a bit amount"

regex = re.compile("\d\)\s.*?|\s\d\.\D.*?")


print ([x for x in regex.split(s) if x])
print regex.split(s1)

输出：

['there is a dsfsdfsd and ', 'there is another one and ', 'yet another case']
['we will give', 'there needs to be another option and 6.99 USD is a bit amount']